AUDIO
El benchmark multilingüe de David AI muestra grandes brechas en reconocimiento de voz más allá del inglés
David AI publica un benchmark de reconocimiento de voz en 21 idiomas, basado en conversaciones reales, que advierte: el rendimiento en inglés no refleja otros idiomas. En 14 sistemas probados, los errores se dispersan mucho más en lenguas como bengalí o tamil. Según el ranking, MAI-Transcribe-2 lidera en 18 idiomas y Scribe v2 en tres, incluido inglés.
Qué ha ocurrido
David AI ha lanzado DAI-ASR-I18N, un benchmark que enfrenta 14 sistemas de voz en conversaciones naturales de 21 idiomas. La principal conclusión: no usar el inglés como atajo para evaluar el resto. En su conjunto público, la variación media de error entre cinco idiomas “estables” fue de 3,7 puntos; en bengalí, hindi, maratí, tamil y telugu, el promedio de diferencia subió a 25,4. Según los autores, MAI-Transcribe-2 de Microsoft AI obtuvo la menor tasa de error en 18 de 21 idiomas, mientras que ElevenLabs Scribe v2 lideró en los otros tres, incluido el inglés. El estudio separa transcripción y diarización: los modelos dedicados a diarización superaron a los sistemas combinados; NVIDIA Nemotron 3 Diarization marcó el menor error global público (18,8%), con más fallos en segmentos con mayor solapamiento de voces.
Qué significa para creadores
Si produces podcasts, entrevistas o contenido con varias voces, no elijas tu ASR por una demo en inglés: pide o realiza pruebas en tu idioma y acento reales. Los resultados muestran que el rendimiento puede cambiar drásticamente según la lengua, con grandes brechas en algunas. Para mejorar separación de voces, usar micrófonos por canal ayuda, pero recuerda que el benchmark se grabó con dos canales sincronizados; si trabajas con un solo micrófono y hablantes solapados, el comportamiento puede diferir. Si necesitas “quién habla cuándo”, considera soluciones de diarización específicas, que aquí superaron a las integradas. Para compras o migraciones de herramienta, solicita evaluaciones en conversaciones espontáneas (con muletillas e interrupciones) y con distintos niveles de solapamiento, no solo lecturas limpias. Y toma los rankings como guía, no como garantía: están condicionados al conjunto y a sus condiciones de grabación.
Fuente y contexto
El corpus de David AI suma 147 horas de charlas no guionizadas entre nativos, con dos canales por conversación y transcripciones verificadas por dos anotadores y un experto. El código de evaluación está en GitHub con licencia MIT. En Hugging Face hay una porción pública (1.035 clips, 42,1 horas, 682 hablantes) bajo acuerdo de uso no comercial; el acceso completo está restringido y existe un set privado para evitar sobreajuste. El tablero cubre 21 idiomas, aunque la descarga pública excluye francés, italiano y coreano a la espera de revisión de privacidad. El lanzamiento se comunicó el 1 de octubre y refuerza una idea práctica: medir en inglés puede ocultar diferencias relevantes por idioma, especialmente en escenas conversacionales con solapamiento.